一种储能模组一致性诊断方法及系统与流程
本公开涉及储能,特别涉及一种储能模组一致性诊断方法及系统。
背景技术:
1、当前,储能电站中缺乏高效、精准一致性诊断手段的储能系统难以满足并网与运维要求。储能电站通常由数十至上百个储能模组并联、串联构成电池仓集群,模组之间的性能一致性直接决定整个电站的可用容量、充放电效率、运行安全性与整体使用寿命,是制约储能电站长期稳定运行的核心指标。此处所指的模组一致性,是指同批次、同规格储能模组在等效内阻、整体容量、电压响应特性、温升特性、老化衰减速率等关键指标上的匹配程度。受电芯批次、成组工艺、运行工况、环境温场分布及长期循环老化等多重因素影响,不同模组间的性能离散程度会不断加剧,进而引发系统性安全隐患与能效损失,成为大型储能电站安全高效运行的重要瓶颈。
2、现有诊断方法仍存在明显局限,难以满足工程化、高精度、规模化诊断需求:
3、1)传统诊断多依赖模组整体电压、电流、温度等宏观电气参数,仅能反映模组外部运行特性,无法深入表征模组内部电化学退化状态,对早期、微弱的模组间性能差异识别灵敏度不足,易出现漏判、误判。
4、2)基于电化学阻抗谱(electrochemical impedance spectroscopy,简称eis)的模组级诊断技术尚未成熟,多数方法仅提取少量等效阻抗参数,未对幅值、相位、特征频率、弛豫时间等多维eis信息进行深度挖掘与系统融合,特征利用不充分,在复杂工况下鲁棒性差。
5、3)现有技术缺乏针对模组间一致性的自适应特征权重分配机制,多采用简单拼接或固定加权方式,无法自动聚焦对模组劣化高度敏感的核心特征,导致微弱异常信号易被噪声掩盖,异常模组定位精度不足,难以支撑储能电站规模化、精细化运维。
6、综上所述,亟需储能电站电池仓内多储能模组间一致性诊断存在的技术问题。
技术实现思路
1、针对上述问题,本公开提供一种储能模组一致性诊断方法及系统,用于解决现有技术依赖宏观参数、特征挖掘不足、诊断精度低且无法适配动态工况等问题。
2、第一方面,一种储能模组一致性诊断方法,包括:
3、获取电池仓内各储能模组的交流阻抗谱eis有效数据;
4、对eis有效数据进行降噪与降维处理,得到标准化eis数据;
5、基于标准化eis数据提取各模组的eis核心特征,并对标准化eis数据进行反演计算提取分布弛豫时间drt特征,构建包含eis核心特征与drt特征的综合特征数据集;
6、将综合特征数据集输入基于注意力机制的ai特征融合模型,通过注意力机制自适应分配不同特征的权重以聚焦敏感特征,输出各模组的优化后综合特征向量;
7、基于各模组的优化后综合特征向量计算各模组相对整体均值的综合特征偏差值,并将综合特征偏差值与一致性阈值进行对比,对模组一致性进行分级判定;其中,一致性阈值由基于强化学习的自适应阈值调整模型结合模组实时运行工况及初始阈值动态生成;
8、基于分级判定的结果输出对应调控指令,并将本次诊断数据反馈至ai特征融合模型和自适应阈值调整模型进行在线增量更新,形成诊断调控闭环。
9、具体的,ai特征融合模型获取流程包括:采集不同 soc、温度、老化状态下储能模组 eis 实测数据,提取 eis、drt 特征构建数据集;搭建三层轻量化网络结构,划分数据集完成迭代训练,收敛后保存网络权重,得到可在线使用的注意力特征融合模型。
10、ai特征融合模型整体结构由三层串联结构组成:输入层、特征注意力加权层、特征融合输出层。
11、ai特征融合模型工作原理包括:通过可学习注意力权重实现差异化特征融合,摒弃传统固定权重、简单拼接的浅层融合方式。不同 eis 频段阻抗、drt 峰位 / 峰面积等特征对模组一致性异常的敏感度存在差异,模型训练过程中自动学习各特征区分度大小,分配高权重给能表征早期电化学衰减的关键特征,弱化干扰特征;加权后的特征向量消除冗余信息,放大模组间微弱一致性差异,提升异常识别灵敏度。
12、训练数据分为正常样本和异常样本,全部为同一型号储能模组在标准静置、多soc 区间、多环境温度下采集的 eis 实测数据。正常样本:健康模组 eis 数据,提取 eis核心特征、drt 特征构成正常综合特征样本;异常样本:包含不同循环老化时长、轻微内阻偏移、sei 膜劣化、局部极化异常的故障模组 eis 数据,覆盖轻度、中度、重度一致性偏差工况。
13、进一步的,获取电池仓内各储能模组的交流阻抗谱eis有效数据,包括:
14、控制待诊断模组停止充放电并静置预设时间,剔除存在外观故障的模组;
15、在预设环境温度和湿度条件下,采用对数扫描频率采集各模组的eis原始数据;
16、对采集的eis原始数据进行初步筛选,剔除阻抗实部偏差超过所有模组平均值第一阈值的异常数据,保留得到eis有效数据。
17、进一步的,对eis有效数据进行降噪与降维处理,包括:
18、利用ai自编码器模型对eis有效数据进行自适应降噪,识别并滤除冗余噪声信号;
19、利用融合自编码器与主成分分析pca的自适应降维模型对降噪后的数据进行降维,保留累计方差贡献率≥第二阈值的特征维度,得到特征矩阵;
20、对降维后的特征矩阵进行min-max归一化映射至[0,1]区间,得到标准化eis数据。
21、具体的,ai自编码器模型是一种无监督深度学习模型,整体由编码器与解码器组成,核心作用是实现数据降噪。编码阶段:将采集到含干扰、杂波的储能模组eis原始数据输入编码器,通过多层网络映射压缩,剔除数据里工频干扰、接触误差、环境波动等无效冗余噪声,只留存eis内部电化学相关的核心有效信息,完成特征压缩。解码阶段:解码器依据压缩后的核心特征,反向重构出纯净、无干扰的标准eis数据。
22、自编码器与pca相结合的自适应降维模型,主要用于储能eis多维数据处理。其中自编码器用于挖掘eis数据的非线性隐性特征,智能筛选与模组一致性相关的有效信息、剔除冗余特征;pca对特征进行线性正交压缩,依据累计方差贡献率筛选核心主成分。
23、进一步的,基于标准化eis数据提取各模组的eis核心特征,并对标准化eis数据进行反演计算提取分布弛豫时间drt特征,构建包含eis核心特征与drt特征的综合特征数据集,包括:
24、通过训练完成的ai自编码器模型从标准化eis数据中提取不同频率段的实部峰值、虚部峰值、阻抗幅值拐点、相位变化斜率、特征频率点及弛豫时间常数,构成eis核心特征向量;
25、设定正则化参数对eis数据进行反演计算得到drt谱图,提取drt谱图中的drt峰位、drt峰面积及峰宽;
26、将drt峰位、drt峰面积及峰宽与对应模组的eis核心特征向量一一对应组合,构建综合特征数据集。
27、具体的,ai自编码器模型为无监督深度学习模型,由大量储能模组eis样本完成预训练,具备成熟的特征挖掘能力。自主解析标准化eis频谱数据,自动区分不同频段电化学信息,精准捕捉实部峰值、虚部峰值、阻抗拐点、相位斜率、特征频率与弛豫时间常数等关键参量,无需人工定义提取规则。
28、进一步的,基于各模组的优化后综合特征向量计算各模组相对整体均值的综合特征偏差值,包括:
29、利用融合k近邻与支持向量机算法的ai对比算法,分别计算每个模组的eis特征向量偏差值、drt峰位偏差值、drt峰面积偏差值;
30、通过加权求和计算得到每个模组的综合特征偏差值,以量化表征各模组与仓内整体水平的一致性差异。
31、具体的,k近邻与支持向量机相结合的组合智能比对算法。依托 k 近邻算法参照电池仓内全体模组特征均值,快速划定数据参照基准,完成基础差异比对;再借助支持向量机精准划分特征边界,强化微小差值识别能力,精准测算各模组eis特征、drt 峰位及峰面积的偏差数值。
32、进一步的,一致性阈值由基于强化学习的自适应阈值调整模型结合模组实时运行工况及初始阈值动态生成,包括:
33、获取实验室环境下不同soc工况下标定的模组间一致性初始阈值;
34、将初始阈值输入基于强化学习算法构建的自适应阈值调整模型,模型结合电池仓内实际运行的环境温度、soc值、模组服役时长、循环次数及历史诊断数据,自适应调整输出适配当前工况的一致性阈值。
35、具体的,自适应阈值调整模型为基于强化学习的动态阈值调控模型,以实验室标定的初始一致性阈值为基础,把环境温度、soc、模组老化程度、循环次数等作为环境状态输入量。模型通过不断学习历史诊断数据积累经验,持续优化阈值调整策略,自主研判各类工况对模组性能特征的影响规律,实时修正判定标准,摆脱传统固定阈值的局限,自适应输出贴合现场实际运行状态的动态一致性阈值,保障不同工况下模组一致性判定结果精准可靠。
36、进一步的,对模组一致性进行分级判定,包括:
37、当综合特征偏差值小于第一一致性阈值时,判定该模组一致性第一等级;
38、当综合特征偏差值等于第一一致性阈值、等于第二一致性阈值,或介于第一一致性阈值与第二一致性阈值之间范围时,判定该模组一致性第二等级;
39、当综合特征偏差值大于第二一致性阈值时,判定该模组一致性第三等级,存在异常。
40、进一步的,基于分级判定的结果输出对应调控指令,包括:
41、针对一致性第二等级的模组,输出均衡调控建议触发主动均衡操作;
42、针对一致性第三等级的异常模组,输出告警信息与运维检修指令;
43、同时计算电池仓内所有模组综合特征偏差值的标准差,以评估仓内模组间一致性的整体稳定性。
44、第二方面,一种储能模组一致性诊断系统,包括:
45、数据采集单元、数据预处理单元、特征提取单元、特征融合单元、偏差计算单元以及输出与改进单元;
46、数据采集单元,用于获取电池仓内各储能模组的交流阻抗谱eis有效数据;
47、数据预处理单元,用于对eis有效数据进行降噪与降维处理,得到标准化eis数据;
48、特征提取单元,基于标准化eis数据提取各模组的eis核心特征,并对标准化eis数据进行反演计算提取分布弛豫时间drt特征,构建包含eis核心特征与drt特征的综合特征数据集;
49、特征融合单元,用于将综合特征数据集输入基于注意力机制的ai特征融合模型,通过注意力机制自适应分配不同特征的权重以聚焦敏感特征,输出各模组的优化后综合特征向量;
50、偏差计算单元,基于各模组的优化后综合特征向量计算各模组相对整体均值的综合特征偏差值,并将综合特征偏差值与一致性阈值进行对比,对模组一致性进行分级判定;其中,一致性阈值由基于强化学习的自适应阈值调整模型结合模组实时运行工况及初始阈值动态生成;
51、输出与改进单元,基于分级判定的结果输出对应调控指令,并将本次诊断数据反馈至ai特征融合模型和自适应阈值调整模型进行在线增量更新,形成诊断调控闭环。
52、第三方面,一种储能电池,采用上述的一种储能模组一致性诊断方法,对电池储能模组一致性进行诊断。
53、本公开至少包括以下有益效果:
54、本公开将采集到含干扰、杂波的储能模组eis原始数据输入编码器,通过多层网络映射压缩,剔除数据里工频干扰、接触误差、环境波动等无效冗余噪声,只留存eis内部电化学相关的核心有效信息,完成特征压缩。
55、本公开针对现有储能模组电池一致性诊断技术的不足,结合eis多维度特征融合、drt分析等多种人工智能算法,通过精细化的步骤设计、参数优化及全流程自动化管控,实现了储能电站电池仓内各储能模组间一致性的精准、高效、分级诊断。
56、本公开针对储能电站电池仓内多储能模组间一致性诊断存在的技术瓶颈与工程痛点,旨在建立模组级诊断、预警、调控闭环体系,通过量化评估实现模组间一致性分级判定与异常模组精准定位,输出针对性运维与均衡策略,并支持模型在线迭代更新,最终实现储能电站模组间早期异常精准识别、全工况稳定诊断,满足储能并网对一致性管控的强制要求,显著降低热失控与连锁故障风险,提升储能电站整体使用寿命与运维经济性,推动储能电站运维向智能化、集约化、精细化方向升级,助力新型电力系统与储能产业高质量发展。
57、本公开的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com